幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

數據科學與大數據技術導論(第2版微課版)/面向新工科數據科學與大數據技術叢書

  • 作者：編者:杜小勇//范舉//覃雄派|責編:王宣
  • 出版社：人民郵電
  • ISBN：9787115695284
  • 出版日期：2026/09/01
  • 裝幀：平裝
  • 頁數：220
人民幣：RMB 59.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書共11章，具體內容包括數據科學概論、Python入門、表格數據分析、數據整理、數據可視化、數據分析、文本分析、圖數據分析、大數據治理、深度學習與大模型、綜合案例。本書相比第1版，對章節順序和內容進行了調整和優化，有利於學生構建更加全面的知識體系。此外，本書注重理論與實踐相結合，在介紹大數據技術基本概念和模型的同時，提供主要演算法的形式化描述和Python示例代碼及其應用示例，旨在培養學生使用開源工具進行數據分析的實踐能力，幫助學生初步掌握大數據處理技能。
    本書內容全面、圖文並茂、邏輯清晰、重點突出，可作為數據科學與大數據技術、電腦科學與技術、信息管理與信息系統、統計學等專業的教材，也可供相關領域的技術人員參考使用。
作者介紹
編者:杜小勇//范舉//覃雄派|責編:王宣
目錄
第1章  數據科學概論
  1.1  數據：數字時代的「新石油」
    1.1.1  大數據的提出與發展
    1.1.2  大數據帶來的深刻變革
  1.2  數據思維：數據科學的核心素養
    1.2.1  科學研究的「第四範式」
    1.2.2  數據思維賦能千行百業
    1.2.3  數據驅動的社會科學
  1.3  以數據為中心的問題求解：數據科學的核心能力
    1.3.1  提出問題
    1.3.2  準備數據
    1.3.3  分析數據
    1.3.4  呈現結果
  1.4  數據科學與數據科學家
  1.5  「數據科學導論」課程的內容體系與教學目標
  習題
第2章  Python入門
  2.1  Python概述
  2.2  開發環境配置
  2.3  變數、常量、註釋
  2.4  基本數據類型
  2.5  內置數據類型
  2.6  運算符與表達式
  2.7  程序的基本結構：順序結構、分支結構與循環結構
  2.8  完整的程序實例：數據結構與演算法
    2.8.1  冒泡排序
    2.8.2  二分查找
  2.9  函數、遞歸與庫函數
    2.9.1  函數的定義
    2.9.2  n的階乘
    2.9.3  漢諾塔
    2.9.4  庫函數
  2.10  面向對象編程
    2.10.1  封裝
    2.10.2  構造函數
    2.10.3  對象銷毀與垃圾回收
    2.10.4  繼承
    2.10.5  重寫
  2.11  異常處理
  2.12  主要Python庫簡介
    2.12.1  pandas庫
    2.12.2  NumPy庫
    2.12.3  scikit-learn庫
    2.12.4  Keras&TensorFlow庫
    2.12.5  Matplotlib庫
    2.12.6  NetworkX庫
    2.12.7  NLTK庫
  習題
第3章  表格數據分析
  3.1  多樣化的數據

    3.1.1  現實中的不同數據
    3.1.2  數據模型
    3.1.3  數據分類
    3.1.4  不同數據處理工具的對比
  3.2  多維數組分析工具：NumPy
    3.2.1  多維數組
    3.2.2  NumPy簡介
    3.2.3  多維數組的創建和運算
    3.2.4  數據切片
  3.3  表格數據分析工具：pandas
    3.3.1  表格數據
    3.3.2  pandas簡介
    3.3.3  pandas的數據結構
    3.3.4  Series對象的創建與訪問
    3.3.5  DataFrame對象的創建
    3.3.6  DataFrame的基本操作
    3.3.7  條件篩選
    3.3.8  插入、更新與刪除操作
    3.3.9  數據分組與數據透視表
  3.4  關係數據模型和SQL基礎
    3.4.1  關係數據模型
    3.4.2  關係操作
    3.4.3  SQL簡介
    3.4.4  SELECT語句的一般形式
    3.4.5  單表查詢
    3.4.6  使用SQLite查詢表格數據
  習題
第4章  數據整理
  4.1  數據採集
    4.1.1  數據採集的重要因素
    4.1.2  推-拉機制
    4.1.3  發布-訂閱機制
    4.1.4  大數據收集系統
    4.1.5  自定義連接器
  4.2  信息抽取
    4.2.1  信息抽取概述
    4.2.2  半結構化數據和非結構化數據
    4.2.3  信息抽取的關鍵技術
  4.3  數據清洗
    4.3.1  數據清洗的定義與對象
    4.3.2  數據清洗原理與實現
    4.3.3  數據清洗與檢測方法
  4.4  數據集成
    4.4.1  數據集成概述
    4.4.2  數據集成方法
    4.4.3  數據集成的數據源異構問題
  習題
第5章  數據可視化
  5.1  數據可視化概述
    5.1.1  數據可視化的定義

    5.1.2  數據可視化的目標與作用
    5.1.3  數據可視化的分類
  5.2  可視化發展歷程
    5.2.1  早期數據可視化的起源（17-19世紀）
    5.2.2  20世紀的可視化技術與突破
    5.2.3  大數據時代的可視化發展
  5.3  數據可視化的基本原則
    5.3.1  表達性原則
    5.3.2  有效性原則
  5.4  現有數據可視化工具
    5.4.1  商業工具
    5.4.2  開源工具
  習題
第6章  數據分析
  6.1  人工智慧、機器學習和深度學習
    6.1.1  人工智慧
    6.1.2  機器學習
    6.1.3  深度學習
  6.2  機器學習的業務流程
  6.3  機器學習的分類：監督學習、無監督學習與強化學習
  6.4  機器學習的基本要素
    6.4.1  常數模型+MSE損失函數
    6.4.2  常數模型+MAE損失函數
  6.5  分類
    6.5.1  KNN演算法
    6.5.2  決策樹演算法
    6.5.3  分類演算法的評價指標
  6.6  回歸
    6.6.1  一元線性回歸
    6.6.2  多元線性回歸
    6.6.3  多元線性回歸的解析解
    6.6.4  多元線性回歸的梯度下降演算法求解
    6.6.5  多元線性回歸的評價：MSE、RMSE和擬合優度
  6.7  聚類
    6.7.1  k-means演算法
    6.7.2  高斯混合模型
    6.7.3  聚類演算法的評價
  習題
第7章  文本分析
  7.1  文本分析的背景和意義
  7.2  以詞頻為中心的文本向量編碼
    7.2.1  獨熱編碼
    7.2.2  詞袋模型與n-gram模型
    7.2.3  TF-IDF編碼
  7.3  以詞相關性為中心的文本向量編碼
    7.3.1  潛在語義分析
    7.3.2  基於詞嵌入的文本表示
  7.4  分詞演算法
    7.4.1  BPE演算法
    7.4.2  WordPiece演算法

  7.5  實際應用
    7.5.1  基於樸素貝葉斯的垃圾郵件分類
    7.5.2  基於線性模型的情感分析
    7.5.3  人工智慧中大語言模型的預訓練
  習題
第8章  圖數據分析
  8.1  網路化世界與圖模型
  8.2  圖的定義與基本表示
  8.3  節點中心性分析
    8.3.1  度中心性
    8.3.2  接近中心性
    8.3.3  中介中心性
    8.3.4  3種中心性的比較
  8.4  社區檢測
    8.4.1  社區檢測的目標與意義
    8.4.2  模塊度優化
    8.4.3  Louvain演算法
  8.5  PageRank與影響力分析
    8.5.1  PageRank演算法的基本思想
    8.5.2  PageRank的矩陣計算與穩態分佈
    8.5.3  個性化PageRank
    8.5.4  信息傳播模型：Independent Cascades模型
    8.5.5  影響力最大化問題
    8.5.6  基於節點度的演算法：Degree Discount
    8.5.7  基於最短路徑的演算法
  8.6  圖分析工具：NetworkX實踐
    8.6.1  NetworkX基本操作
    8.6.2  可視化與中心性計算
  8.7  節點嵌入與圖表徵學習
    8.7.1  隨機遊走方法：DeepWalk與Node2vec
    8.7.2  圖嵌入技術簡介
  習題
第9章  大數據治理
  9.1  數據危機演進及其背後機理
  9.2  數據治理的概念
    9.2.1  從數據管理到數據治理
    9.2.2  數據社會化
    9.2.3  數據治理的跨域特性
    9.2.4  社會信息系統與跨域數據治理體系
  9.3  跨域數據治理關鍵任務
    9.3.1  數據質量
    9.3.2  數據安全
    9.3.3  數據隱私
    9.3.4  數據權屬
  9.4  跨域數據治理關鍵階段
    9.4.1  數據組織匯聚
    9.4.2  數據發布
    9.4.3  數據可信流通
  9.5  典型案例：政企數據融合流通
  習題

第10章  深度學習與大模型
  10.1  深度學習基礎
    10.1.1  深度學習的定義
    10.1.2  神經網路基礎
    10.1.3  訓練神經網路
  10.2  常見深度學習架構
    10.2.1  卷積神經網路
    10.2.2  循環神經網路
    10.2.3  Transformer
  10.3  大模型及其重要性
    10.3.1  大模型的定義
    10.3.2  大模型的訓練
    10.3.3  大模型的應用
  10.4  深度學習在數據科學與大數據中的應用
    10.4.1  深度學習在數據科學中的應用
    10.4.2  大數據上下文中的挑戰與解決方案
    10.4.3  工具和框架
  習題
第11章  綜合案例
  11.1  案例1：學生表現預測
    11.1.1  問題描述
    11.1.2  數據裝載與數據預處理
    11.1.3  分類
    11.1.4  回歸
  11.2  案例2中文文本的詞雲可視化與情感分析
    11.2.1  問題描述
    11.2.2  數據裝載與數據預處理
    11.2.3  正面情感和負面情感文本的詞雲可視化
    11.2.4  構建分類模型
    11.2.5  對新數據進行預測
  11.3  案例3：圖數據的節點重要度分析與社區檢測
    11.3.1  問題描述
    11.3.2  數據裝載與數據預處理
    11.3.3  節點重要度分析
    11.3.4  社區檢測與可視化
    11.3.5  社區的簡化與可視化
  習題

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032